很多人推荐《R语言实战》这本书来入门R，当然，这本书非常不错，我也是通过这本书开始接触的R。这种入门的学习路径属于base R first，学习的流程基本是先了解变量的类型、数据的结构，再深入点就会学到循环与自定义函数。有些类似于先认识编程，再按照数据处理、可视化、统计分析等应用方向开始下一个学习的旅程。但是对于很多人来说，R仅仅是一个可视化工具，来做出漂亮的图，或者是一个可以方便的做回归分析，生存分析，显著性检验的统计工具。那么，tidyverse就提供了一个很好的学习思路（tidyverse first），让我们先忽略编程这道大关，其理念是一开始不谈向量、矩阵、数据框、因子、流程控制等概念，直接从数据的操纵入手，让初学者在最短时间内学会数据的处理与可视化应用。
有这么一句话“数据分析师的80%的时间，都消耗在数据清理上”，清理出可视化和统计分析可以直接使用的数据，往往最费精力和繁琐的过程，而tidyverse的一大亮点就是提供非常优秀的数据清理、整合和可视化的“一站式服务”。
tidyverse 是什么
image
tidyverse出自于R大神Hadley Wickham之手，他是Rstudio首席科学家，也是ggplot2的作者。tidyverse就是他将自己所写的包整理成了一整套数据处理的方法，包括ggplot2，dplyr，tidyr，readr，purrr，tibble，stringr, forcats。同时也出了一本《R for Data Science》，这本书里面也详细介绍了tidyverse的使用方法，这本书的电子版获取方式见微信公众号本文。
library(tidyverse) will load the core tidyverse packages:
ggplot2, for data visualisation. (画图，可视化数据)
dplyr, for data manipulation. (操控数据，过滤、排序等)
tidyr, for data tidying. (清理数据，转为ggplot可用的格式)
readr, for data import. (从文件中读取数据)
purrr, for functional programming. (提供好用的编程函数)
tibble, for tibbles, a modern re-imagining of data frames. (data.frame升级款)
stringr, for strings. (处理字符，查找、替换等)
forcats, for factors. (处理因子问题)
tidyverse的安装也很简单，在R中输入以下命令：
#安装包
install.packages("tidyverse")
#使用前，记得载入包
library(tidyverse)
tidyverse的数据处理流程大致分为以下三类：
- 数据导入
- 数据整理
- 数据探索（可视化，统计分析）
数据导入
readr：readcsv(); readtsv(); readdelim(); readfwf(); readtable(); readlog();
readxl：readxls(); readxlsx();
haven：打开SAS 、SPSS、Stata等外部数据。
以read_csv为例，把需要分析的数据存为csv文件（逗号分隔的文件，execl文件可以另存为csv文件），然后R读取即可：
data <- read.csv("data_for_input.csv")
类似的，readtsv()可以读取tab分隔的数据，readxls()可以直接读取execl的数据。
数据整理
tibble格式
R中的对多变量数据的标准保存形式是 dataframe，而tibble是dataframe的进化版，它有如下优点：
- 生成的数据框数据每列可以保持原来的数据格式，不会被强制性改变,即字符串，不会莫名其妙的变成因子格式；
- 查看数据时，不再会一行显示不下，多行显示得非常丑；
- 数据操作速度会更快
如下图，直接查看tibble格式的数据，可以一目了然的看清数据的大小和每列的格式
有两种方式来创建tibble格式的数据
1. 直接创建
2. 其他格式转化，例如用read.csv读取的数据默认是dataframe格式，就可以使用as_tibble转换为tibble格式
管道函数 %>%
在tidyverse中，管道符号是数据整理的主力，它的功能和Linux上的管道符“|”类似，可以把许多功能连在一起，而且简洁好看，比起R的基本代码更加容易阅读！
x %>% f(y) means that x is‘piped’ into the function f(x,y)
以R中自带的iris（鸢尾花数据集）为例：
%>% 的作用就是将iris数据用于管道后面的head函数。
dplyr包
dplyr基本包含了我们整理数据的所有功能，堪比瑞士军刀，这里介绍以下函数：
filter: filters out rows according to some conditions （根据条件过滤数据）
arrange: reorders rows according to some conditions （根据某一列的数据对行排序）
select: selects a subset of columns （只保留部分列的数据）
mutate: adds a new column as a function of existing columns （增加新的列）
summarise: collapses a data frame to a single row （概述数据的统计特征）
group_by: breaks a data frame into groups of rows （对数据分组）
1. filter
只选取Species列中，值为virginica的数据
（这里也是用到了管道符，将filter函数作用于iris数据）
选取Species为virginica，并且Sepal.Length大于7.5的数据
2. select
只保留Species 和 Sepal.Length 这两列
除了Species以外，其他的列都保留
利用管道符，先过滤（filter），然后只保留Petal.Width函数（select）
3. mutate
增加一列，列名为Sepal.Area，值为width和length相乘，然后不保留原来的Sepal.Length 和 Sepal.Width两列
image
4. summarise
下面的例子的summarise中， n() 是统计有多少行的数据，mean() 函数是计算平均值。
利用summarise可以指定统计的列，或者统计方式（求方差，求和等），最后得到的结果形成一个新的数据。
5. summarise & group_by
group_by通常与summarise搭配使用，如果我们需要对不同species的数据计算均值，那么利用group_by指定需要分组的列，summarise就帮我们统计出了结果，避免一个一个的去求均值
tidyr包
tidyr的两个主要函数是 gather()和 spread()。这些函数允许在长数据格式（long data）和宽数据格式（wide data）之间进行转换（功能类似于reshape包，但是比reshape更好用，并且可以用于管道%>%连接）。
gather() 把数据从宽数据（wide）变成长数据（long），指定key，value就做出下面的变换，这种长数据特别适合用于ggplot2的画图中。
spread() 把数据从长数据（long）还原成宽数据（wide），对比gather()的变换，指定你需要变长的key和value列即可~
image
数据探索
可视化：ggplot2
利用ggplot2实现可视化，具体的ggplot2就不做详细的介绍了，这里提供ggplot2的速查表（cheatsheet），可以很方便的知道哪种图对应的ggplot2里面的哪个函数。原始的cheatsheet pdf版的获取方式见微信公众号本文。
统计：broom
broom是一个用于数学建模的包，以回归分析为例，R中的各种回归分析往往不会返回一个整齐的data frame结果，而broom 则帮助我们直接将统计结果转化为data frame格式直接将统计结果转化为data frame格式。
下图是一般的回归分析结果的格式
下面是broom对 fit 格式化之后的结果，可以看到是一个方便读取的data frame格式。
同样，也可以与tidyverse中的管道和group_by结合，批量的做回归分析，并且得到整理好的结果。
image
image
总结
初学者从tidyverse 入门是一个不错的使用R的切入方式，它提供了一整套data science的工具，而且还特别好用。当然，入门之后如果使用者在未来需要使用R完成更细腻的分析时，再分配较充足的时间学习base R。
欢迎关注公众号："生物信息学"
网友评论